DE112011100038T5 - Method for developing recognition algorithms for laser-induced plasma emission spectroscopy - Google Patents

Method for developing recognition algorithms for laser-induced plasma emission spectroscopy Download PDF

Info

Publication number
DE112011100038T5
DE112011100038T5 DE112011100038T DE112011100038T DE112011100038T5 DE 112011100038 T5 DE112011100038 T5 DE 112011100038T5 DE 112011100038 T DE112011100038 T DE 112011100038T DE 112011100038 T DE112011100038 T DE 112011100038T DE 112011100038 T5 DE112011100038 T5 DE 112011100038T5
Authority
DE
Germany
Prior art keywords
model
demarcation
records
spectral data
spectra
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE112011100038T
Other languages
German (de)
Other versions
DE112011100038T8 (en
Inventor
Rosalie A. Multari
David A. Cremers
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Research Associates Inc
Original Assignee
Applied Research Associates Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Research Associates Inc filed Critical Applied Research Associates Inc
Publication of DE112011100038T5 publication Critical patent/DE112011100038T5/en
Application granted granted Critical
Publication of DE112011100038T8 publication Critical patent/DE112011100038T8/en
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/443—Emission spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Abstract

Ein Verfahren zum Ausbilden eines Erkennungsalgorithmus für laserinduzierte Plasma Emissionsspektroskopie gemäß einer Ausführungsform umfassend: Bestimmen eines mathematisch meist unterschiedlichen Datensatzes aus einer Vielzahl spektraler Datensätze entsprechend von Materialien; Aufteilen der spektralen Datensätze in Modellentwicklungsdatensätze und Ergebnisbeurteilungsdatensätze; automatisches Umwandeln eines der Modellentwicklungsdatensätze mit einem Prozessor in ein erstes Abgrenzungsmodel, das die ersten Spektren abgrenzt; Entfernen der ersten Spektren von den Modellentwicklungsdatensätzen um einen Teildatensatz von Entwicklungsdatensätzen zu erhalten; Bestimmen des mathematisch nächstunterschiedlichen spektralen Datensatzes aus den spektralen Datensätzen; Umwandeln des Teilsatzes der Entwicklungsdatensätze in ein zweites Abgrenzungsmodell, das die zweiten Spektren abgrenzt; und Kombinieren des ersten Abgrenzungsmodells und des zweiten Abgrenzungsmodells um den Erkennungsalgorithmus der laserinduzierten Plasma Emissionsspektroskopie zu bilden.A method for developing a detection algorithm for laser-induced plasma emission spectroscopy according to one embodiment, comprising: determining a data set that is mostly mathematically different from a plurality of spectral data sets corresponding to materials; Dividing the spectral data sets into model development data sets and result assessment data sets; automatically converting one of the model development datasets with a processor into a first demarcation model that demarcates the first spectra; Removing the first spectra from the model development data sets in order to obtain a partial data set of development data sets; Determining the mathematically next different spectral data set from the spectral data sets; Converting the subset of the development data sets into a second demarcation model that demarcates the second spectra; and combining the first demarcation model and the second demarcation model to form the laser-induced plasma emission spectroscopy detection algorithm.

Description

Dieser Anmeldung kommt die vorläufige US-Anmeldung Nr. 61/320,992, angemeldet am 5. April 2010, mit dem Titel „METHODS OF DEVELOPING A DATA ANALYSIS ALGORITHM FOR THE DISCRIMINATION OF MATERIALS SUCH AS METALS, CHEMICAL SUBSTANCES, PATHOGENS, AND EXPLOSIVES VIA LASER-INDUCED BREAKDOWN SPECTROSCOPY IN COMBINATION WITH CHEMOMETRIC DATA ANALYSIS” zugute.This application features US Provisional Application No. 61 / 320,992, filed April 5, 2010, entitled "METHODS OF DEVELOPING A DATA ANALYSIS ALGORITHM FOR THE DISCRIMINATION OF MATERIALS SEARCH AS METALS, CHEMICAL SUBSTANCES, PATHOGENS, AND EXPLOSIVE VIA LASER -INDUCED BREAKDOWN SPECTROSCOPY IN COMBINATION WITH CHEMOMETRIC DATA ANALYSIS ".

Die vorliegende Beschreibung bezieht sich allgemein auf Verfahren zur Entwicklung von Erkennungsalgorithmen und insbesondere auf Verfahren zum Entwickeln von Erkennungsalgorithmen zur Bestimmung von Materialien mit laserinduzierter Plasma Emissionsspektroskopie (LIBS).The present description relates generally to methods for developing recognition algorithms, and more particularly to methods for developing recognition algorithms for determining materials with laser-induced plasma emission spectroscopy (LIBS).

LIBS ist eine spektroskopische Analysetechnik, bei der ein Laserpuls die Menge von ng bis μg eines Materials verdampft und das verdampfte Material thermisch in einem Kurzzeitplasma (ungefähr 8000 K) anregt. Das von den Atomen, Ionen und einfachen Molekülen in dem Plasma ausgesandte Licht wird gesammelt und analysiert. LIBS wird für die Elementanalyse genützt, um die Zusammensetzung eines Zielmaterials mittels eindeutiger Elementfingerabdruckspektren festzustellen, z. B. indem spezifische Spektralemissionslinien, die charakteristisch sind für ein Licht, das von einer Probe ausgesandt wird, das einem speziellen Elementen entspricht, beobachtet wird.LIBS is a spectroscopic analysis technique in which a laser pulse vaporizes the amount of ng to μg of a material and thermally excites the vaporized material in a short-term plasma (approximately 8000 K). The light emitted by the atoms, ions and simple molecules in the plasma is collected and analyzed. LIBS is used for elemental analysis to determine the composition of a target material by means of unique element fingerprint spectra, e.g. By observing specific spectral emission lines characteristic of a light emitted from a sample corresponding to a particular element.

LIBS kann von der Bestimmung einzelner Elemente ausgeweitet werden, um auch Materialien, wie beispielsweise Metalle, chemische Substanzen, Pathogene und Sprengstoffe zu analysieren. In diesen Fällen wird, im Gegensatz zu den einzelnen Linien einzelner Elemente, die Form der LIBS-Spektraldaten zur Identifizierung der Materialien genutzt. Die Spektraldaten umfassen im Allgemeinen die Emissionen vieler Elemente und auch der Hintergrundstrahlung, die über einen ganzen Bereich von Wellenlängen hinweg beobachtet werden. Die Spektraldaten werden von dem LIBS-Instrument gesammelt und an einen Algorithmus zur Identifikation weitergegeben. Solche Algorithmen sind jedoch schwer zu entwickeln, da die Algorithmen ziemlich komplexe Spektraldaten unterscheiden müssen, welche auch Informationen aus den Spektren enthalten.LIBS can be extended from the determination of individual elements to also analyze materials such as metals, chemicals, pathogens and explosives. In these cases, unlike the individual lines of individual elements, the shape of the LIBS spectral data is used to identify the materials. The spectral data generally includes the emissions of many elements as well as the background radiation observed over a range of wavelengths. The spectral data is collected by the LIBS instrument and passed to an algorithm for identification. However, such algorithms are difficult to develop because the algorithms must distinguish fairly complex spectral data, which also includes information from the spectra.

Es besteht daher ein Bedürfnis nach alternativen Verfahren, um Erkennungsalgorithmen zur Identifizierung von Materialien mit LIBS zu erstellen.Thus, there is a need for alternative methods to create recognition algorithms for identifying materials with LIBS.

Gemäß einer Ausführungsform umfasst ein Verfahren zum Erstellen eines Erkennungsalgorithmus für laserinduzierte Plasma Emissionsspektroskopie: das Ermitteln eines mathematisch meist unterschiedlichen Datensatzes einer Vielzahl von Spektraldatensätzen der Materialien; Aufteilen der Spektraldatensätze in Modellentwicklungsdatensätze und Ergebnisbeurteilungsdatensätze; automatisches Umwandeln eines der Modellentwicklungsdatensätze mit einem Prozessor in ein erstes Agrenzungsmodell, das die ersten Spektren abgrenzt; Entfernen der ersten Spektren von dem Modellentwicklungsdatensatz, um einen Teilsatz der Entwicklungsdatensätze zu erhalten; Ermitteln eines mathematisch nächst unterschiedlichen Spektraldatensatzes der Spektraldatensätze; Umwandeln des Teilsatzes der Entwicklungsdatensätze in ein zweites Abgrenzungsmodell, das die zweiten Spektren abgrenzt; und Zusammenlegen des ersten Abgrenzungsmodells und des zweiten Abgrenzungsmodells, um den Erkennungsalgorithmus der laserinduzierten Plasma Emissionsspektroskopie zu bilden. Der mathematisch meist unterschiedliche Datensatz kann erste Spektren umfassen, die auf das Licht, das von einem ersten verdampften Material abgegeben wird, hinweisen. Die Modellentwicklungsdatensätze und die Ergebnisbeurteilungsdatensätze können die ersten Spektren umfassen. Der mathematisch nächst unterschiedliche Spektraldatensatz kann zweite Spektren umfassen, die auf Licht hinweisen..According to one embodiment, a method for creating a recognition algorithm for laser-induced plasma emission spectroscopy comprises: determining a mathematically mostly different data set of a plurality of spectral data sets of the materials; Splitting the spectral data sets into model development records and result assessment records; automatically transforming one of the model development records with a processor into a first crop model that demarcates the first spectra; Removing the first spectra from the model development data set to obtain a subset of the development data sets; Determining a mathematically next different spectral data set of spectral data sets; Converting the subset of the development records into a second demarcation model that demarcates the second spectra; and collapsing the first constraint model and the second constraint model to form the laser induced plasma emission spectroscopy detection algorithm. The mathematically most different data set may include first spectra indicative of the light emitted by a first vaporized material. The model development records and the result evaluation records may include the first spectra. The mathematically next different spectral data set can include second spectra, which point to light.

Gemäß einer weiteren Ausführungsform kann ein Verfahren zur Entwicklung eines Erkennungsalgorithmus für die laserinduzierte Plasma Emissionsspektroskopie umfassen: Aufnehmen von Spektraldatensätzen entsprechender Materialien mit dem Instrument der laserinduzierten Plasma Emissionsspektroskopie; Aufteilen der Spektraldatensätze in Modellentwicklungsdatensätze und Ergebnisbeurteilungsdatensätze; automatisches Umwandeln der Modellentwicklungsdatensätze mit einem Prozessor in ein Gesamtabgrenzungsmodell; Ordnen der Spektraldatensätze von mathematisch am meisten unterschiedlich zu mathematisch am wenigsten unterschiedlich gemäß des Gesamtabgrenzungsmodells; Entwickeln eines individuellen Abgrenzungsmodells, um den mathematisch am meisten unterschiedlichen Spektraldatensatz abzutrennen; und Ausbilden eines Erkennungsalgorithmus für die laserinduzierte Plasma Emissionsspektroskopie. Jeder der Spektraldatensätze kann Spektren enthalten, die auf Licht hinweisen, das von einem der Materialien abgegeben wird. Das Gesamtabgrenzungsmodell kann jedes der Materialien identifizieren. Der Erkennungsalgorithmus kann das Individualabgrenzungsmodell umfassen.According to another embodiment, a method for developing a detection algorithm for laser-induced plasma emission spectroscopy may comprise: acquiring spectral data sets of corresponding materials with the instrument of laser-induced plasma emission spectroscopy; Splitting the spectral data sets into model development records and result assessment records; automatically transforming the model development records with a processor into an aggregate demarcation model; Ordering the spectral data sets from mathematically most different to mathematically least different according to the overall boundary model; Developing an individual demarcation model to separate the mathematically most different spectral data set; and forming a detection algorithm for the laser-induced plasma emission spectroscopy. Each of the spectral data sets may contain spectra indicative of light emitted from one of the materials. The overall demarcation model can identify each of the materials. The recognition algorithm may include the individual delineation model.

Gemäß einer weiteren Ausführungsform umfasst ein Verfahren zum Ausbilden eines Erkennungsalgorithmus für die laserinduzierte Plasma Emissionsspektroskopie: das Sammeln spektraler Datensätze der Materialien mit dem Gerät der laserinduzierten Plasma Emissionsspektroskopie; automatisches Umwandeln der Spektraldatensätze mit einem Prozessor, in individuelle Abgrenzungsmodelle; und Ausbilden des Erkennungsalgorithmus für die laserinduzierte Plasma Emissionsspektroskopie. Jeder der Spektraldatensätze kann Spektren enthalten, die auf Licht hinweisen, das von einem der Materialien abgegeben wird. Jedes der individuellen Abgrenzungsmodelle kann einen der spektralen Datensätze abgrenzen. Der Erkennungsalgorithmus kann die individuellen Abgrenzungsmodelle geordnet nach der höchsten Abgrenzungseignung bis zur niedrigsten Abgrenzungseignung enthalten. Der Erkennungsalgorithmus kann die individuellen Abgrenzungsmodelle der Reihe nach aktivieren.According to another embodiment, a method of forming a detection algorithm for laser-induced plasma emission spectroscopy comprises: collecting spectral data sets of the materials with the laser-induced plasma emission spectroscopy apparatus; automatic conversion of spectral data sets with a processor, into individual demarcation models; and forming the detection algorithm for the laser-induced plasma emission spectroscopy. Each of the spectral data sets may contain spectra indicative of light emitted from one of the materials. Each of the individual demarcation models can delimit one of the spectral datasets. The recognition algorithm may include the individual demarcation models ordered according to the highest demarcation suitability to the lowest demarcation aptitude. The recognition algorithm can activate the individual demarcation models in turn.

Diese und zusätzliche Merkmale der hierin beschriebenen Ausführungsformen können durch die folgende detaillierte Beschreibung zusammen mit den Figuren besser verstanden werden.These and additional features of the embodiments described herein may be better understood by the following detailed description taken in conjunction with the figures.

Die folgenden Ausführungsformen der Figuren dienen lediglich der Erläuterung und sind nur beispielhaft und beabsichtigen nicht den durch die Ansprüche definierten Gegenstand zu beschränken. Die folgende detaillierte Beschreibung und die erläuternden Ausführungsformen können besser verstanden werden, wenn sie im Zusammenhang mit den folgenden Figuren gelesen werden, wobei gleiche Strukturen mit gleichen Bezugszeichen versehen werden und wobei:The following embodiments of the figures are merely illustrative and are exemplary only and are not intended to limit the subject matter defined by the claims. The following detailed description and illustrative embodiments will be better understood when read in conjunction with the following figures, wherein like structure is given like reference numerals and wherein:

1 schematisch ein Verfahren zum Erstellen eines Erkennungsalgorithmus gemäß einer oder mehrerer der im Folgenden beschriebenen Ausführungsformen zeigt; 1 schematically illustrates a method of creating a recognition algorithm according to one or more of the embodiments described below;

2 schematisch ein Instrument für laserinduzierte Plasma Emissionsspektroskopie gemäß einer oder mehrerer der im Folgenden beschriebenen Ausführungsformen zeigt; 2 schematically shows an instrument for laser-induced plasma emission spectroscopy according to one or more of the embodiments described below;

3 schematisch ein Spektrum, wie es von einem Gerät zur laserinduzierte Plasma Emissionsspektroskopie gemäß einer oder mehrerer der im Folgenden beschriebenen Ausführungsformen erzeugt wird; und 3 12 schematically illustrates a spectrum as generated by an apparatus for laser-induced plasma emission spectroscopy according to one or more of the embodiments described below; and

4 einen Spektrendatensatz gemäß einer oder mehrerer der im Folgenden beschriebenen Ausführungsformen zeigt. 4 shows a spectral data set according to one or more of the embodiments described below.

Die im Folgenden beschriebenen Ausführungsformen beziehen sich auf Verfahren zum Erzeugen von Algorithmen zur Identifikation von Materialien mittels laserinduzierter Plasma Emissionsspektroskopie (im Folgenden LIBS genannt). Im Allgemeinen werden Erkennungsalgorithmen dadurch gebildet, dass Datensätze von Spektren an einen Prozessor gegeben werden, welcher maschinenlesbare Befehle ausführt und diese Eingabewerte in einen Erkennungsalgorithmus umwandelt. Verschiedene Ausführungsformen von Verfahren zum Erstellen von Erkennungsalgorithmen werden im folgenden genauer beschrieben.The embodiments described below relate to methods for generating algorithms for the identification of materials by means of laser-induced plasma emission spectroscopy (hereinafter referred to as LIBS). In general, recognition algorithms are formed by giving data sets of spectra to a processor which executes machine-readable instructions and converts these input values into a recognition algorithm. Various embodiments of methods for creating recognition algorithms are described in more detail below.

Bezug nehmend auf 1, wird eine Ausführungsform eines Verfahrens 10 zum Erstellen eines Erkennungsalgorithmus zur Identifikation von Materialien mittels LIBS schematisch dargestellt. Das Verfahren umfasst den Schritt 30, in dem Spektraldaten in einem Prozessor 40 eingegeben werden, welcher maschinenlesbare Befehle 20 ausführt und Ergebnisse zur Analyse ausgibt und mit dem Schritt 50, in dem die Analyseergebnisse herangezogen werden und in einen Erkennungsalgorithmus umgewandelt werden.Referring to 1 , Will be an embodiment of a method 10 for creating a recognition algorithm for the identification of materials by means of LIBS schematically. The method includes the step 30 in which spectral data is in a processor 40 which are machine-readable instructions 20 and outputs results for analysis and with the step 50 in which the analysis results are used and converted into a recognition algorithm.

Der Schritt 30 zur Eingabe von Spektraldaten in den Prozessor 40, welcher maschinenlesbare Befehle 20 ausführt, umfasst das Empfangen oder Sammeln von Spektraldaten. Eine ausreichende Anzahl individueller Spektren (z. B. einhundert) kann für jedes Material (alleine oder eingebettet in einer Matrix) gesammelt werden, um Schwankungen in der Spektraldatencharakteristik des LIBS-Gerätes 100 abzufangen. Die gesammelten Spektren werden, wie im Folgenden beschrieben, an ein oder mehrere maschinenlesbare Medien oder andere Geräte zum Speichern von Spektraldaten übertragen (während des Erfassungs- oder Sammelprozesses, oder danach). Die Spektraldaten können also von irgendeinem externen Gerät oder einer Kommunikationsschnittstelle an den Prozessor 40 gegeben werden oder die Spektraldaten können auch durch den Prozessor 40 erzeugt werden, z. B. berechnet aus gemessenen Parametern. Der im Folgenden benutzt Ausdruck „Prozessor” bedeutet integrierter Schaltkreis, Mikrochip, Computer oder irgendein anderes Rechengerät, das geeignet ist, um maschinenlesbare Befehle 20 auszuführen. Obwohl in 1 nicht gezeigt, kann der Prozessor 40 in Kommunikation mit einem maschinenlesbaren Medium zum Speichern elektronischer Daten kommunizieren. Das maschinenlesbare Medium kann ein RAM, ROM oder ein Flashspeicher, eine Festplatte, oder irgendeine andere Vorrichtung sein, die geeignet ist, um maschinenlesbare Befehle zu speichern. Jede Eingabe oder Ausgabe des Prozessors 40 kann auf einem maschinenlesbaren Medium gespeichert werden.The step 30 for inputting spectral data into the processor 40 which machine-readable commands 20 includes receiving or collecting spectral data. A sufficient number of individual spectra (e.g., one hundred) can be collected for each material (alone or embedded in a matrix) to accommodate variations in the spectral data characteristic of the LIBS device 100 intercept. The collected spectra are transferred (as described below) to one or more machine-readable media or other devices for storing spectral data (during the collection or collection process, or thereafter). The spectral data may thus be from any external device or communication interface to the processor 40 or the spectral data can also be given by the processor 40 are generated, for. Calculated from measured parameters. The term "processor" as used hereafter means integrated circuit, microchip, computer or any other computing device suitable for machine-readable instructions 20 perform. Although in 1 not shown, the processor can 40 communicate in communication with a machine readable medium for storing electronic data. The machine-readable medium may be a RAM, ROM or flash memory, a hard disk, or any other device suitable for storing machine-readable instructions. Any input or output of the processor 40 can be stored on a machine-readable medium.

Es wird weiterhin darauf hingewiesen, dass die Ausdrücke „maschinenlesbare Befehle”, „Algorithmus”, und „Software” eine Logik bezeichnen, die in einer beliebigen Programmiersprache irgendeiner Generation (z. B. 1GL, 2GL, 3GL, 4GL, oder 5GL) oder z. B. einer Maschinensprache, die von dem Prozessor direkt ausgeführt werden kann oder einer Assemblersprache, einer Objekt-orientierten Programmierung (OOP), Skriptsprachen, Mikrocode, etc. geschrieben sein kann, die kompiliert oder assembliert oder auf einem maschinenlesbaren Medium gespeichert werden kann. Alternativ dazu, kann die Logik auch in einer Hardware beschreibenden Sprache (HDL), wie beispielsweise implementiert in einem Feld-programmierbaren Gate Array (FPGA) oder einem anwendungsspezifischen Scheibenkreis (ASIC) oder ähnlichen geschrieben sein.It should also be noted that the terms "machine-readable instructions", "algorithm", and "software" refer to logic written in any programming language of any generation (eg, 1GL, 2GL, 3GL, 4GL, or 5GL) or z. A machine language, which may be executed directly by the processor or may be written in assembly language, object oriented programming (OOP), scripting languages, microcode, etc., which may be compiled or assembled or stored on a machine readable medium. Alternatively, the Logic may also be written in Hardware Descriptive Language (HDL), such as implemented in a Field Programmable Gate Array (FPGA) or an Application Specific Slice (ASIC) or similar.

In Bezug auf 2 wird ausgeführt, dass die Spektraldaten mit einem LIBS-Gerät 100 gesammelt werden. 2 zeigt schematisch eine Ausführungsform eines LIBS-Instruments 100 zum Sammeln von Spektraldaten. Das LIBS-Instrument 100 umfasst einen Laser 102 zum Verdampfen eines Materials 120 zum Erzeugen eines Plasmas 122 und einen Sensor 110, um Licht 124, das von dem Plasma 122 emittiert wird, in elektronische Daten zu wandeln. In der dargestellten Ausführungsform kommunizieren der Laser 102 und der Sensor 110 mit einem Prozessor 112, der das Sammeln der Spektraldaten koordiniert.In relation to 2 is executed that the spectral data with a LIBS device 100 to be collected. 2 schematically shows an embodiment of a LIBS instrument 100 for collecting spectral data. The LIBS instrument 100 includes a laser 102 to evaporate a material 120 for generating a plasma 122 and a sensor 110 to light 124 that from the plasma 122 is emitted into electronic data. In the illustrated embodiment, the laser communicate 102 and the sensor 110 with a processor 112 coordinating the collection of spectral data.

Zum Beispiel können die Spektraldaten durch Synchronisieren der Emission des Laserlichts 114 des Lasers 102 und dem Sammeln des Lichts 124, das von dem Plasma 122 abgegeben wird, erfasst werden. In dieser Ausführungsform, wie in 2 gezeigt, wird das Laserlicht 114 von dem Laser 102 erzeugt und durch Fokussierungslinsen 104 hindurch auf das Material 120 fokussiert und ein Plasma 122 erzeugt. Es wird angemerkt, dass der Ausdruck „Licht”, wie er im Folgenden genutzt wird, sich auf verschiedenste Wellenlängen des elektromagnetischen Spektrums bezieht, insbesondere auf Wellenlängen von 100 nm bis etwa 1200 nm, beispielsweise von etwa 200 nm bis etwa 1000 nm.For example, the spectral data may be obtained by synchronizing the emission of the laser light 114 the laser 102 and collecting the light 124 that from the plasma 122 delivered. In this embodiment, as in 2 shown, the laser light 114 from the laser 102 generated and by focusing lenses 104 through to the material 120 focused and a plasma 122 generated. It is noted that the term "light" as used below refers to a wide variety of wavelengths of the electromagnetic spectrum, in particular to wavelengths from 100 nm to about 1200 nm, for example from about 200 nm to about 1000 nm.

In der dargestellten Ausführungsform wird Licht 124 von dem Plasma 122, wie in 2 dargestellt, durch das Reflexionssystem 106, welches zwei Spiegel umfassen kann, zu dem Lichtleiter 108 (in 2 als Faseroptik dargestellt) hin reflektiert. Der Lichtleiter 108 kann aus irgendeinem lichtdurchlässigen Material gebildet sein, welches ohne darauf beschränkt zu sein als zylindrisch geformtes Glas oder Polymermaterial gebildet ist, welches Licht entlang seiner Achse hindurch lässt. Das Licht 124 wird zu dem Sensor 110 übertragen, welcher geeignet ist, das Licht 124 in Spektraldaten umzuwandeln. Zum Beispiel kann der Sensor 110 ein Spektrometer umfassen, z. B. ein Echellespektrometer oder einen Polychromator. Der Sensor 110 überträgt dann die Spektraldaten an den Prozessor 112. Es wird angemerkt, dass, obwohl das oben beschriebene LIBS-Instrument eine spezielle Ausführungsform darstellt, das LIBS Instrument auch irgendeine Vorrichtung sein kann, die geeignet ist, laserinduziertes Plasmalicht in elektronische Daten umzuwandeln, welche auf Spektralkomponenten des durch das Plasma erzeugten Lichts hinweisen.In the illustrated embodiment, light 124 from the plasma 122 , as in 2 represented by the reflection system 106 , which may comprise two mirrors, to the light guide 108 (in 2 as fiber optics) reflected back. The light guide 108 may be formed of any translucent material, which is not limited to being formed as a cylindrically shaped glass or polymer material, which allows light along its axis. The light 124 becomes the sensor 110 which is suitable, the light 124 convert into spectral data. For example, the sensor 110 comprise a spectrometer, z. As an echelle spectrometer or a polychromator. The sensor 110 then transmits the spectral data to the processor 112 , It is noted that although the LIBS instrument described above represents a particular embodiment, the LIBS instrument may also be any device capable of converting laser-induced plasma into electronic data indicative of spectral components of the plasma generated by the plasma.

Bezugnehmend auf die 2 und 3 ist ein Spektrum 130 mit den Wellenlängen (nm) auf der Abszissenachse und der Intensität (Counts) auf der Ordinatenachse graphisch dargestellt. Das Spektrum 130 gibt die Größe der Intensität des Lichts 124 bei einer bestimmten Wellenlänge, wie sie von dem Plasma 122 abgegeben wird, welches von dem Material 120 erzeugt wurde, wieder. Das Spektrum 130 umfasst Elementlinien 132 (z. B. lokale Maxima) und Hintergrundstrahlung. Ohne an irgendeine Theorie gebunden zu sein, entsprechen die Elementlinien 132 im Allgemeinen Emissionen von einzelnen Elementen, wie beispielsweise Kohlenstoff, Stickstoff Sauerstoff Wasserstoff oder ähnliches und jedes Spektrum 130 entspricht einem spezifischen Material (z. B. Plasma erzeugt von Gestein). Jedes Spektrum kann eine von dem LIBS-Instrument 100 individuell detektierte Probe darstellen, eine Ansammlung von mehreren Datenproben, die durch das LIBS-Instrument 100 detektiert wurden oder einem Durchschnittswert vieler Datenproben, wie sie von einem LIBS-Instrument 100 detektiert wurden. Gemäß einer Ausführungsform z. B. entspricht jedes Spektrum einer Ansammlung (z. B. Addition oder andere bekannten Datenkombinationstechniken) von zehn Datenproben, die durch den Sensor 110 (z. B. Sensorerfassungsparameter: 1 μs Verzögerungszeit, 20 μs Fensterzeit und eine Bestrahlungsdauer von 1 s) gesammelt wurden.Referring to the 2 and 3 is a spectrum 130 with the wavelengths (nm) on the abscissa axis and the intensity (counts) on the ordinate axis plotted. The spectrum 130 gives the magnitude of the intensity of the light 124 at a certain wavelength, like that of the plasma 122 is released, which of the material 120 was generated again. The spectrum 130 includes element lines 132 (eg local maxima) and background radiation. Without being bound by any theory, the element lines correspond 132 in general, emissions of individual elements, such as carbon, nitrogen, oxygen, hydrogen or the like, and any spectrum 130 corresponds to a specific material (eg plasma generated by rocks). Each spectrum can be one of the LIBS instrument 100 individually detected sample represent an accumulation of multiple data samples by the LIBS instrument 100 were detected or an average of many data samples, such as those from a LIBS instrument 100 were detected. According to one embodiment z. For example, each spectrum corresponds to an accumulation (eg, addition or other known data combining techniques) of ten data samples collected by the sensor 110 (eg sensor detection parameters: 1 μs delay time, 20 μs window time and 1 s irradiation time).

Das LIBS-Instrument 100 wie oben beschrieben kann genutzt werden um Spektren 130 von Materialien, wie beispielsweise Metallen, chemischen Substanzen, Pathogenen oder Sprengstoffen, genauso aufgenommen werden, wie von reinen Materialien oder Kombinationen in einer Matrix oder von anderen Materialien (nicht beschränkende Beispiele umfassen Tributyl Phosphat (TBP) auf Aluminium, Trinitrotoluen auf Holz, Escherichia coli auf Brokkoli). Die oben beschriebenen Ausführungsformen können genutzt werden sowohl um Proben als auch um Elemente in Aerosolen, Flüssigkeiten und Festkörpern zu identifizieren, Sprengstoffe zu detektieren oder eine Zusammensetzungsanalyse von Steinen und Gesteinen und Metallerzen durchzuführen.The LIBS instrument 100 as described above can be used to spectra 130 of materials such as metals, chemicals, pathogens or explosives, as well as pure materials or combinations in a matrix or other materials (non-limiting examples include tributyl phosphate (TBP) on aluminum, trinitrotoluene on wood, Escherichia coli on broccoli). The embodiments described above can be used both to identify samples and to identify elements in aerosols, liquids, and solids, to detect explosives, or to perform compositional analysis of rocks and rocks and metal ores.

Bezugnehmend auf die 1 und 4 können die maschinenlesbaren Befehle 20 eine Logik zum Verarbeiten der Spektraldaten, die in einen Prozessor 40 eingegeben wurden, umfassen. Gemäß einer Ausführungsform werden die Spektren 130 des Spektraldatensatzes 150 in Modellentwicklungsdatensätze 152 zur Modellentwicklung und in Ergebnisbeurteilungsdatensätze 154 zur Modellergebnisverifizierung aufgeteilt. Jeder der Spektraldatensätze 150 umfasst Spektren 130, die von einem einzigen Material oder von Materialtypen gesammelt wurden. Z. B., wenn ein Erkennungsalgorithmus entwickelt worden wäre, um zwei Materialien zu identifizieren, würde einer der Spektraldatensätze 150 die Spektren 130 umfassen, die von dem ersten Material stammen und ein anderer Spektraldatensatz 150 würde die Spektren 130 von dem zweiten Material umfassen. Die Spektren können von einer einzigen Probe des Materials (z. B. ein einziges Stück Metall) oder von einer Vielzahl von Proben eines Typs eines Materials (z. B. viele Stücke eines einzelnen Metalltyps) gesammelt werden.Referring to the 1 and 4 can use the machine-readable commands 20 a logic for processing the spectral data into a processor 40 have been entered. According to one embodiment, the spectra 130 of the spectral data set 150 in model development records 152 for model development and in results assessment datasets 154 divided into the model result verification. Each of the spectral data sets 150 includes spectra 130 collected from a single material or types of materials. For example, if a recognition algorithm had been developed to identify two materials, one of the spectral data sets would 150 the spectra 130 which originate from the first material and another spectral data set 150 would the spectra 130 of the second material. The spectra can be collected from a single sample of the material (e.g., a single piece of metal) or from a plurality of samples of one type of material (e.g., many pieces of a single metal type).

Es wird darauf hingewiesen, dass die Spektraldatensätze 150 so aufgeteilt werden, dass die entsprechenden Spektralmessungen mit eine Vielzahl von Methoden in zwei Datensätze aufgeteilt werden. Einer der Datensätze kann für die Modellentwicklung genutzt werden und einer der Datensätze kann für die Modellergebnisbeurteilung genutzt werden. Insbesondere können die Spektraldatensätze 150 so aufgeteilt werden, dass die Modellentwicklungsdatensätze 152 und die Ergebnisbeurteilungsdatensätze 154 jeweils im Wesentlichen ausgeglichene Intensitätsmessungen (z. B. repräsentative Identitätsmessungen) gemäß der Intensitätsmaxima der Spektren 130 oder der Fläche unter der Intensitätskurve der Spektren 130 umfassen. Die Spektren 130 können so aufgeteilt werden, dass die Summe der Intensitätsmessungen der Spektren in dem Modellentwicklungsdatensatz 152 im Wesentlichen gleich der Summe der Identitätsmessungen eines entsprechenden (des gleichen Materials) Ergebnisbeurteilungsdatensatz 154 ist. Gemäß einer weiteren Ausführungsform können die Spektraldatensätze 150 so aufgeteilt werden, dass beide, der Modellentwicklungsdatensatz 152 und die Ergebnisbeurteilungsdatensätze 154 Spektren 130 umfassen, mit gleich verteilten Maximumintensitäten. Gemäß einer weiteren Ausführungsform können die Spektraldatensätze 150 so aufgeteilt werden, dass die Modellentwicklungsdatensätze 152 die Spektren 130 mit den höchsten Intensitätsmessungen umfassen und die Ergebnisbeurteilungsdatensätze 154 die entsprechenden Spektren 130 mit den niedrigsten Intensitätsmessungen umfassen. Die Gesamtintensität kann gemäß der Fläche unter der Intensitätskurve für jede der Spektren 130 bestimmt werden oder über eine andere Methode, welche die relative Höhe der Intensitätskurve quantifiziert. Z. B. kann ein Spektraldatensatz 150 mit 100 Spektren 130 in einen Modellentwicklungsdatensatz 152 mit 50 Spektren 130 mit den höchsten Maximumintensitäten und einem Ergebnisbeurteilungsdatensatz 154 mit 50 Spektren mit den niedrigsten Maximumintensitäten aufgeteilt werden, und umgekehrt.It should be noted that the spectral data sets 150 be divided so that the corresponding spectral measurements are divided into two data sets by a variety of methods. One of the datasets can be used for model development and one of the datasets can be used for the model outcome assessment. In particular, the spectral data sets 150 be split up so that the model development records 152 and the result assessment records 154 in each case substantially balanced intensity measurements (eg representative identity measurements) according to the intensity maxima of the spectra 130 or the area under the intensity curve of the spectra 130 include. The spectra 130 can be partitioned so that the sum of the intensity measurements of the spectra in the model development data set 152 essentially equal to the sum of the identity measurements of a corresponding (of the same material) result evaluation record 154 is. According to a further embodiment, the spectral data sets 150 be split so that both, the model development record 152 and the result assessment records 154 spectra 130 include, with equally distributed maximum intensities. According to a further embodiment, the spectral data sets 150 be split up so that the model development records 152 the spectra 130 with the highest intensity measurements and the result assessment records 154 the corresponding spectra 130 with the lowest intensity measurements. The total intensity may be in accordance with the area under the intensity curve for each of the spectra 130 be determined or via another method that quantifies the relative height of the intensity curve. For example, a spectral data set 150 with 100 spectra 130 into a model development record 152 with 50 spectra 130 with the highest maximum intensities and a result evaluation data set 154 with 50 spectra with the lowest maximum intensities, and vice versa.

Während die Spektraldatensätze 150, die Modellentwicklungsdatensätze 152 und die Ergebnisbeurteilungsdatensätze 154 in 4 mit einer geraden Anzahl Spektren 130 dargestellt sind, wird angemerkt, dass diese eine gerade oder ungerade Anzahl von Spektren 130 umfassen können. Außerdem können alle der Spektren 130 in den Spektraldatensätzen 150 in den Modellentwicklungsdatensätzen 152 oder den Ergebnisbeurteilungsdatensätzen 154 enthalten sein oder nicht. Die Modellentwicklungsdatensätze 152 und die Ergebnisbeurteilungsdatensätze 154 können daher eine gleiche oder ungleiche Anzahl von Spektren 130 aufweisen. Z. B. kann ein Spektraldatensatz 150 mit 100 Spektren 130 in einen Modellentwicklungsdatensatz 152 mit 50 Spektren 130 und einen Ergebnisbeurteilungsdatensatz 154 mit 50 Spektren aufgeteilt werden, oder in einen Modellentwicklungsdatensatz 152 mit 70 Spektren 130 und einen Ergebnisbeurteilungsdatensatz 154 mit 30 Spektren 130, oder in einen Modellentwicklungsdatensatz 152 mit 59 Spektren 130 und eine n Ergebnisbeurteilungsdatensatz 154 mit 23 Spektren 130 (z. B. ohne die restlichen 18 anderen Spektren).While the spectral data sets 150 , the model development records 152 and the result assessment records 154 in 4 with an even number of spectra 130 It should be noted that these are an even or odd number of spectra 130 may include. In addition, all of the spectra 130 in the spectral data sets 150 in the model development records 152 or the result assessment records 154 be included or not. The model development records 152 and the result assessment records 154 can therefore have an equal or unequal number of spectra 130 exhibit. For example, a spectral data set 150 with 100 spectra 130 into a model development record 152 with 50 spectra 130 and a result evaluation record 154 with 50 spectra, or into a model development record 152 with 70 spectra 130 and a result evaluation record 154 with 30 spectra 130 , or a model development record 152 with 59 spectra 130 and an n result evaluation record 154 with 23 spectra 130 (eg without the rest 18 other spectra).

Spektren 130 können auch bei den Modellentwicklungsdatensätzen 152 und den Ergebnisbeurteilungsdatensätzen 154 weggelassen werden, um die Intensitäten auszugleichen oder um ungewünschte Daten auszuschließen. Gemäß einer weiteren Ausführungsfqorm werden die Spektren 130 in den Spektraldatensätzen 150, den Modellentwicklungsdatensätzen 152 und den Ergebnisbeurteilungsdatensätzen 154 auf abnormale oder uncharakteristische Spektren untersucht. Die abnormalen oder uncharakteristischen Spektren können von den Spektraldatensätzen 150, den Modellentwicklungsdatensätzen 152 oder den Ergebnisbeurteilungsdatensätzen 154 entfernt werden. Das Untersuchen kann auf heuristischen Methoden, bekannten Fehlern oder statistischen Auswertungen, so wie beispielsweise Standardabweichung, Varianzanalyse oder ähnlichem, basieren.spectra 130 can also with the model development records 152 and the result assessment records 154 be omitted to compensate for the intensities or to exclude unwanted data. According to another embodiment, the spectra 130 in the spectral data sets 150 , the model development records 152 and the result assessment records 154 examined for abnormal or uncharacteristic spectra. The abnormal or uncharacteristic spectra can be derived from the spectral data sets 150 , the model development records 152 or the result assessment records 154 be removed. The examining may be based on heuristic methods, known errors or statistical evaluations, such as standard deviation, variance analysis or the like.

In den oben beschriebenen Ausführungsformen kann auch die Normalisierung der Spektren auf die Spektren 130 angewandt werden. Nicht beschränkende Beispiele dieser Normalisierung umfassen beispielsweise das Multiplizieren des Spektrums 130 mit einem Wert, so dass die darunterliegende Fläche des Spektrums 130 gleich 1 ist oder die maximale Intensität des Spektrums 130 gleich 1 ist.In the embodiments described above, it is also possible to normalize the spectra to the spectra 130 be applied. Non-limiting examples of this normalization include, for example, multiplying the spectrum 130 with a value such that the underlying surface of the spectrum 130 is equal to 1 or the maximum intensity of the spectrum 130 is equal to 1.

Gemäß einer Ausführungsform wird eine chemometrische Analyse oder andere mathematisch basierte Differentialanalyse (wie beispielsweise eine neuronale Netzwerkanalyse) durchgeführt, um die am meisten verschiedenen Datensätze der Spektraldatensätze 150, die für die Analysemethode angewandt werden, zu ermitteln. Die Differenzierungsanalyse kann heuristisch durchgeführt werden oder mit einem Modell (mit Hilfe einer chemometrischen Analysesoftware), um den spektralen Datensatz zu ermitteln, der am leichtesten von den anderen spektralen Datensätzen 150, die für die Analysemethode gewählt wurden, abzugrenzen ist. Z. B. kann ein Gesamtabgrenzungsmodell gebildet werden, um alle Spektren 130 auf einmal zu analysieren. Nach dem Bilden des Gesamtabgrenzungsmodells können die Ergebnisbeurteilungsdatensätze 154 mit Hilfe der Gesamtabgrenzungsmodellergebnisse ausgewertet werden, um die spektralen Datensätze nach der Analyseverschiedenheit zu ordnen. Der von dem Gesamtabgrenzungsmodell als meist separierter Spektraldatensatz ermittelte Datensatz ist der analytisch am meisten unterschiedliche Spektraldatensatz. D. h., die Spektraldatensätze 150 können gemäß der Gesamtabgrenzungsmodellergebnisse nach den am leichtesten abzutrennenden bis zu den am schwersten abzutrennenden geordnet werden. Alternativ dazu können die Spektraldatensätze 150 auch heuristisch geordnet werden.According to one embodiment, a chemometric analysis or other mathematically based differential analysis (such as neural network analysis) is performed to obtain the most different sets of spectral data sets 150 to be used for the analytical method. The differentiation analysis can be done heuristically or with one model (using chemometric analysis software) to find the spectral data set that is easiest from the other spectral data sets 150 , which has been chosen for the analysis method, is to be distinguished. For example, a total demarcation model can be formed to all the spectra 130 to analyze at once. After forming the overall demarcation model, the result assessment records may 154 evaluated using the overall demarcation model results to order the spectral data sets after analysis disagreement. The data set determined by the overall delimitation model as the most separated spectral data set is the analytically most different spectral data set. That is, the spectral data sets 150 can be arranged according to the overall demarcation model results, according to the most easily separated up to the hardest to divide. Alternatively, the spectral data sets 150 also heuristically ordered.

Es wird angemerkt, dass der Ausdruck „Abgrenzungsmodell” sich auf maschinenlesbare Befehle bezieht, die geeignet sind, um ausgeführt zu werden, um ein Eingangsspektrum, das von einem Material erzeugt wird, zu unterscheiden oder zu identifizieren. Die Abgrenzungsmodelle umfassen wenigstens: eine unterscheidende Funktionalanalyse, Linearkorrelation und partielle kleinste Quadratregressionsdiskriminierungsanalyse, vielfach linear Regression, neuronale Netzwerkanalyse, Hauptkomponentenanalyse, kanonische Korrelation, Redundanzanalyse, Vielfachregressionsanalyse, Zufallsvarianzanalyse, und einzelne oder vielfach variable Hauptkomponentenanalyse mit Zufallsregression. In den oben beschriebenen Ausführungsformen können die Abgrenzungsmodelle durch Software erzeugt werden, die von einem Prozessor (z. B. Unscrambler von Camo Software Inc. of Woodbridge, New Jersey USA, Matlab by Mathworks of Natick, Massachusetts, USA, und jeder anderen Software, die geeignet ist, um die ausgewählte Abgrenzungsanalyse durchzuführen). Außerdem wird angemerkt, dass Abgrenzungsmodelle entwickelt werden können, um spezifische Materialien (z. B. Kupfer), Klassen von Materialien (z. B. Metalle) oder heuristisch gruppierte Materialien (Kupfer und Materialien deren Spektren gemeinsame Charakteristiken mit den Spektren von Kupfer aufweisen) entsprechend ihrer Spektren zu erkennen. Jedes individuelle Abgrenzungsmodell kann daher entwickelt werden, um ein einziges Material oder viele Materialien basierend auf den empfangenen Spektren zu unterscheiden.It is noted that the term "demarcation model" refers to machine-readable instructions that are suitable to be executed to distinguish or identify an input spectrum generated by a material. The delineation models include at least: a discriminating functional analysis, linear correlation and partial least square regression discrimination analysis, multiple linear regression, neural network analysis, principal component analysis, canonical correlation, redundancy analysis, multiple regression analysis, random variance analysis, and single or multiple variable principal component analysis with random regression. In the embodiments described above, the demarcation models may be generated by software provided by a processor (e.g., Unscrambler of Camo Software Inc. of Woodbridge, New Jersey USA, Matlab by Mathworks of Natick, Massachusetts, USA, and any other software, which is suitable for carrying out the selected demarcation analysis). It is also noted that demarcation models can be developed to include specific materials (eg, copper), classes of materials (eg, metals), or heuristically grouped materials (copper and materials whose spectra share common characteristics with the spectra of copper). to recognize according to their spectra. Each individual demarcation model can therefore be developed to distinguish a single material or many materials based on the received spectra.

Mit Bezug auf die 1 und 4 umfasst die Methode 10 den Schritt 50 des Umwandelns der Eingangsdaten in den Erkennungsalgorithmus. Die Spektraldatensätze 150 werden genutzt, um individuelle Abgrenzungsmodelle zu erzeugen, die, wenn kombiniert, geeignet sind, um eine Probe aufgrund seines LIBS-Spektrums 130 zu identifizieren. Z. B. kann ein erstes Abgrenzungsmodell aus einem ersten Modellentwicklungsdatensatz gebildet werden. Das Ergebnis des ersten Abgrenzungsmodells kann dann mit Hilfe des ersten Ergebnisbeurteilungsdatensatzes beurteilt werden, der dem ersten Modellentwicklungsdatensatz (z. B. dem gleichen Spektraldatensatz oder entsprechend dem gleichen Material) entspricht. Wenn einmal ein passendes Abgrenzungsergebnis für das erste Abgrenzungsmodell gefunden ist, wird der erste Modellentwicklungsdatensatz von dem Modellentwicklungsdatensatz entfernt, um einen Teildatensatz des Entwicklungsdatensatzes zu erhalten. Wenn ausreichend viele Modellentwicklungsdatensätze in dem Teilsatz von Entwicklungsdatensätzen enthalten sind, wird ein zweites Abgrenzungsmodell für einen zweiten Modellentwicklungsdatensatz gebildet. Das Ergebnis des zweiten Abgrenzungsmodells wird dann unter Nutzung des zweiten Ergebnisbeurteilungsdatensatzes, der dem zweiten Modellentwicklungsdatensatz entspricht, bewertet (z. B. abgetrennt von dem gleichen Spektraldatensatz oder entsprechend dem gleichen Material). Wenn dann ein geeignetes Abgrenzungsergebnis für das zweite Abgrenzungsmodell gefunden ist, kann der zweite Modellentwicklungsdatensatz von dem Teildatensatz der Entwicklungsdatensätze entfernt werden. Verbleiben ausreichend viele Spektren in dem Teildatensatz der Entwicklungsdatensätze wird ein drittes Abgrenzungsmodell von einem dritten Modellentwicklungsdatensatz, wie im Folgenden beschrieben, gebildet.With reference to the 1 and 4 includes the method 10 the step 50 converting the input data to the recognition algorithm. The spectral data sets 150 are used to create individual demarcation models that, when combined, are suitable for sampling because of its LIBS spectrum 130 to identify. For example, a first demarcation model can be formed from a first model development dataset. The result of the first demarcation model can then be assessed using the first result assessment dataset corresponding to the first model development dataset (eg, the same spectral dataset or the same material). Once a matching demarcation result has been found for the first demarcation model, the first model development dataset is removed from the model designation dataset to obtain a partial dataset of the designation dataset. If a sufficient number of model development records are included in the subset of development records, a second demarcation model is formed for a second model history record. The result of the second demarcation model is then evaluated using the second result assessment dataset corresponding to the second model evolution dataset (eg, separated from the same spectral dataset or corresponding to the same material). Then, when a suitable demarcation result for the second demarcation model is found, the second model development dataset can be removed from the subset of the development datasets. If there are enough spectra in the subset of development data sets, a third delineation model is formed by a third model development data set, as described below.

In den hierin beschriebenen Ausführungsformen können einzelne Abgrenzungsmodelle gemäß dem Modellerzeugungsprozess, Abgrenzung und Entfernung, wie oben beschrieben, gebildet werden. Da der Prozess wiederholt wird, wird der nächste Spektraldatensatz in ein nächstes Modell umgewandelt, das den nächsten Spektraldatensatz von dem Spektrum in dem Teildatensatz der Entwicklungsdatensätze abgrenzt. Der nächste Spektraldatensatz wird dann von dem Teildatensatz der Entwicklungsdatensätze abgezogen. Dieser Prozess wird so lange wiederholt, bis der Teildatensatz der Entwicklungsdatensätze nur noch einen spektralen Datensatz enthält. Im Allgemeinen wird der Prozess wiederholt bis alle Modellentwicklungsdatensätze 152 bis hinunter zu einem individuellen Modelldatensatz 152 abgetrennt wurden (z. B. eine Gruppe von Spektren 130 und/oder einem individuellem Spektrum). Die individuellen Abgrenzungsmodelle werden dann an den Ergebnisbeurteilungsdatensätzen 154 getestet und so lange wie notwendig weiterentwickelt, bis ein passendes Identifizierungsergebnis für jedes der individuellen Abgrenzungsmodelle erreicht ist (z. B. das individuelle Abgrenzungsmodell, welches das gewünschte Material mit ausreichender Genauigkeit identifiziert).In the embodiments described herein, individual demarcation models may be formed according to the model generation process, demarcation and removal as described above. As the process is repeated, the next spectral data set is converted to a next model that demarcates the next spectral data set from the spectrum in the subset of development data sets. The next spectral data set is then subtracted from the subset of development data sets. This process is repeated until the partial dataset of the development datasets contains only one spectral dataset. In general, the process is repeated until all model development records 152 down to an individual model dataset 152 were separated (eg a group of spectra 130 and / or an individual spectrum). The individual demarcation models then become the result assessment records 154 tested and further developed as necessary until a matching identification result is achieved for each of the individual boundary models (eg, the individual boundary model that identifies the desired material with sufficient accuracy).

Gemäß einer Ausführungsform werden die individuellen Abgrenzungsmodelle in der Reihenfolge der mathematisch am meisten unterschiedlichen zu den mathematisch am wenigsten unterschiedlichen geordnet. Z. B. wird das Gesamtabgrenzungsmodell genutzt, um die Spektraldatensätze von den mathematisch am meisten unterschiedlichen zu den mathematisch am wenigsten unterschiedlichen zu ordnen. Der Prozess der Modellerzeugung, -Abgrenzung und -entfernung funktioniert dann entsprechend der Reihenfolge der Spektraldatensätze. D. h. das individuelle Abgrenzungsmodell des am meisten mathematisch unterschiedlichen spektralen Datensatzes wird als erstes erzeugt und der mathematisch am meisten unterschiedliche spektrale Datensatz wird als erster entfernt. Das individuelle Abgrenzungsmodell gemäß dem mathematisch nächst verschiedenen spektralen Datensatzes wird dann als zweites gebildet und der mathematisch nächst verschiedene spektrale Datensatz wird auch als zweiter entfernt, usw.According to one embodiment, the individual demarcation models are ordered in the order of the mathematically most different from the mathematically least distinct ones. For example, the overall demarcation model is used to order the spectral data sets from the mathematically most different to the least mathematically different. The process of modeling, demarcation and - Distance then works according to the order of the spectral data sets. Ie. the individual demarcation model of the most mathematically different spectral dataset is generated first and the mathematically most different spectral dataset is removed first. The individual demarcation model according to the mathematically next different spectral data set is then formed second and the mathematically next different spectral data set is also removed as the second, etc.

In den oben beschriebenen Ausführungsformen wird der Erkennungsalgorithmus durch Kombinieren der individuellen Abgrenzungsmodelle erzeugt, so dass die individuellen Diskriminierungsmodelle der Reihe nach und/oder parallel zueinander aktiviert werden. Bei den Ausführungsformen, in denen die individuellen Abgrenzungsmodelle der Reihe nach aktiviert werden, wird ein Testspektrum in den Erkennungsalgorithmus eingesetzt und jedes der individuellen Modelle wird der Reihe nach aktiviert. Z. B. ohne das vorangehende zu beschränken, kann ein erstes Individualabgrenzungsmodell aktiviert werden, um das Testspektrum einer bestimmten möglichen Materialauswahl abzutrennen, und ein zweites individuelles Abgrenzungsmodell kann außerdem das Testspektrum unter anderen möglichen Materialauswahlen abtrennen. In den Ausführungsformen, in denen die Individualabgrenzungsmodelle parallel aktiviert werden, wird das Testspektrum an den Erkennungsalgorithmus ausgegeben und eine Vielzahl individueller Abgrenzungsmodelle kann simultan aktiviert werden.In the embodiments described above, the detection algorithm is generated by combining the individual boundary models so that the individual discrimination models are activated in turn and / or in parallel with each other. In the embodiments in which the individual demarcation models are activated sequentially, a test spectrum is inserted into the detection algorithm and each of the individual models is activated in turn. For example, without limiting the foregoing, a first individual demarcation model may be activated to separate the test spectrum of a particular possible material selection, and a second individual demarcation model may also separate the test spectrum from among other possible material choices. In the embodiments in which the individual delineation models are activated in parallel, the test spectrum is output to the recognition algorithm and a plurality of individual demarcation models can be activated simultaneously.

D. h., der Erkennungsalgorithmus umfasst die Individualabgrenzungsmodelle, die gemäß einem Modelltestablauf geordnet sind. Der Modelltestablauf spezifiziert die Aktivierung der Individualabgrenzungsmodelle und kann nach dem Bilden des Individualabgrenzungsmodells definiert werden. In einer Ausführungsform werden die Individualabgrenzungsmodelle unter Ausnutzung der Ergebnisbewertungsdatensätze 154 (4) ausgewertet. Z. B. kann die Abgrenzungseignung jedes Individualabgrenzungsmodells gemäß der Genauigkeit ausgewertet und angeordnet werden, z. B. die Wahrscheinlichkeit, dass jedes der Individualabgrenzungsmodelle das Material, das mit den Spektren der Ergebnisbeurteilungsdatensätze 154 verknüpft ist, korrekt identifiziert. Die Anordnung kann dann genutzt werden, um den Modelltestablauf zu definieren. Insbesondere können die individuellen Abgrenzungsmodelle wenn nötig nacheinander angewandt werden, um alle Materialien in der Algorithmusentwicklung zu unterscheiden. Alternativ dazu können gleich eingeordnete Abgrenzungsmodelle parallel angewandt werden oder die individuellen Abgrenzungsmodelle können gemäß einem alternativen Modelltestablauf angeordnet sein. Es wird außerdem in Erwägung gezogen, dass die Abgrenzungseignung auch durch Testen oder durch Ausbringen in dem Feld (z. B. kann die Genauigkeit oder die Robustheit beobachtet werden) festgestellt wird. Die individuellen Abgrenzungsmodelle können daher von der höchsten Abgrenzungseignung bis zu niedrigsten Abgrenzungseignung angewandt werden.That is, the recognition algorithm includes the individual delimitation models ordered according to a model test procedure. The model test procedure specifies activation of the individual delineation models and may be defined after forming the individual delineation model. In one embodiment, the individual delineation models are exploited using the results rating datasets 154 ( 4 ) evaluated. For example, the demarcation suitability of each individual delineation model may be evaluated and arranged according to the accuracy, e.g. For example, the probability that each of the individual delineation models will be the material that matches the spectrums of the result assessment records 154 linked, correctly identified. The arrangement can then be used to define the model test procedure. In particular, the individual demarcation models can be applied sequentially if necessary to distinguish all materials in the algorithm development. Alternatively, equally ordered demarcation models may be applied in parallel, or the individual demarcation models may be arranged according to an alternative model test procedure. It is also contemplated that the delineation capability may also be determined by testing or deployment in the field (eg, accuracy or robustness may be observed). The individual demarcation models can therefore be applied from the highest demarcation suitability to the lowest demarcation suitability.

Gemäß einer weiteren Ausführungsform ist der Modelltestablauf derart definiert, dass die individuellen Abgrenzungsmodelle des Erkennungsalgorithmus nachdem von dem oben beschriebenen Gesamtabgrenzungsmodell festgestellten mathematisch größten Unterschied zu den mathematisch am wenigsten unterschiedlichen geordnet ist. Das heißt, der Modelltestablauf basiert auf den Spektraldatensätzen der entsprechenden Individualabgrenzungsmodelle.According to a further embodiment, the model test procedure is defined such that the individual demarcation models of the recognition algorithm are ordered according to the mathematically greatest difference to the mathematically least distinct from the above-described overall demarcation model. That is, the model test procedure is based on the spectral data sets of the corresponding individual demarcation models.

Gemäß der oben beschriebenen Ausführungsformen kann der Modelltestablauf weiter verfeinert werden, nachdem der Erkennungsalgorithmus definiert wurde. Bekannte Spektren, wie die Ergebnisbeurteilungsdatensätze 154, können genutzt werden, um die Qualität des Erkennungsalgorithmus zu analysieren. Gemäß einer Ausführungsform werden die Ergebnisbeurteilungsdatensätze 154 normalisiert und von dem Erkennungsalgorithmus analysiert. Die Genauigkeit des Erkennungsalgorithmus kann mittels der Übereinstimmung der Spektren mit ihren jeweiligen Materialien beurteilt werden. Die Qualität des Erkennungsalgorithmus als Ganzes oder der ihn bildenden individuellen Abgrenzungsalgorithmen kann dann genutzt werden, um Überwachungsparameter zu definieren. Zum Beispiel könnte ein Überwachungsparameter eine Statistik sein (z. B. Durchschnitt, Standardabweichung, usw.), die in dem Modelltestablauf beinhaltet ist, um die Genauigkeit des Erkennungsalgorithmus zu verbessern (z. B. eine Formel, die die Standardabweichung zusammen mit den Abgrenzungsmodellvorhersageergebnissen nutzt, kann erzeugt werden, und die Entscheidung, ob die Eingangsspektren durch die Ergebnisse des Abgrenzungsmodells identifiziert wurden oder nicht, kann basierend auf diesen Formelergebnissen getroffen werden). Nachdem der Erkennungsalgorithmus durch das Einführen der Überwachungsparameter modifiziert wurde, können die bekannten Spektren von dem Erkennungsalgorithmus noch mal bewertet werden, um die Abgrenzungsqualität erneut zu beurteilen. Um den Erkennungsalgorithmus zum Testen unbekannter Spektren in der Praxis zu nutzen, können die Überwachungsparameter in Kombination mit Vorhersageergebnissen zur Feststellung, ob die Spektraldaten der Probe für die Abgrenzung mit dem Erkennungsalgorithmus geeignet sind, genutzt werden.According to the embodiments described above, the model test procedure can be further refined after the recognition algorithm has been defined. Known spectra, such as the result assessment records 154 , can be used to analyze the quality of the recognition algorithm. According to one embodiment, the result assessment records are 154 normalized and analyzed by the recognition algorithm. The accuracy of the recognition algorithm can be assessed by means of the correspondence of the spectra with their respective materials. The quality of the recognition algorithm as a whole or the individual demarcation algorithms forming it can then be used to define monitoring parameters. For example, a monitoring parameter could be statistics (eg, average, standard deviation, etc.) included in the model test procedure to improve the accuracy of the recognition algorithm (e.g., a formula containing the standard deviation along with the delineation model prediction results can be generated, and the decision as to whether or not the input spectra have been identified by the results of the demarcation model can be made based on these formula results). After the recognition algorithm has been modified by introducing the monitoring parameters, the known spectra from the recognition algorithm can be re-evaluated to reassess the discrimination quality. In order to use the recognition algorithm for testing unknown spectra in practice, the monitoring parameters can be used in combination with prediction results to determine whether the spectral data of the sample are suitable for discrimination with the recognition algorithm.

Wenn der Erkennungsalgorithmus einmal gebildet wurde, kann der Erkennungsalgorithmus in das LIBS-Instrument, z. B. das LIBS-Instrument, das die spektralen Datensätze 150 aufgenommen hat, eingegeben werden. Insbesondere Bezug nehmend auf 2, kann der Erkennungsalgorithmus mit dem Steuersystem des LIBS-Instruments 100 (z. B. LabVIEW 8.6 von National Instruments in Austin, Texas, USA) zusammenarbeiten. Der Erkennungsalgorithmus als solcher kann von dem Prozessor 112 zur automatischen Echtzeitanalyse der LIBS-Spektren, die direkt vom Ausgang des Sensors 110 eingegeben wurden, ausgeführt werden. Aus Benutzerbedienungssicht, kann das LIBS-Instrument 100 derart ausgeführt sein, dass nur ein einziger Knopf gedrückt werden muss, um: einen Befehl zum Zünden des Lasers 102 zu geben; die Spektren, die von dem Plasma 122 ausgegeben werden, aufzunehmen; die Spektren in den Erkennungsalgorithmus einzugeben; und das Ergebnis der Identifizierung auszugeben.Once the recognition algorithm has been formed, the recognition algorithm in the LIBS instrument, eg. For example, the LIBS instrument that stores the spectral datasets 150 has been entered. In particular, referring to 2 , the detection algorithm can be used with the control system of the LIBS instrument 100 (for example, National Instruments LabVIEW 8.6 in Austin, Texas, USA). The recognition algorithm as such may be provided by the processor 112 for automatic real-time analysis of LIBS spectra directly from the output of the sensor 110 entered. From the user's operating point of view, the LIBS instrument can 100 be designed so that only a single button must be pressed to: a command to ignite the laser 102 to give; the spectra of the plasma 122 be issued; enter the spectra into the detection algorithm; and output the result of the identification.

Es ist klar, dass die Ausführungsformen der Verfahren zum Ausbilden von Erkennungsalgorithmen zur Identifizierung von Materialien mit laserinduzierter Plasmaemissionsspektroskopie genutzt werden können, um Erkennungsalgorithmen zur automatisierten und schnellen In-Situ-Analyse von Materialien zu entwickeln. Solche Erkennungsalgorithmen können auch bei tragbaren LIBS-Instrumenten eingesetzt werden, die auch von Personen ohne besondere LIBS-Erfahrung genutzt werden können. Zum Beispiel kann ein tragbares LIBS-Instrument benutzt werden, um Gepäck an Flughäfen nach Materialien zu untersuchen, z. B. Schmuggelware, geführliche Chemikalien oder explosive Materialien.It will be understood that the embodiments of the methods for forming recognition algorithms for identifying materials with laser-induced plasma emission spectroscopy can be used to develop detection algorithms for the automated and rapid in situ analysis of materials. Such recognition algorithms can also be used with portable LIBS instruments, which can also be used by people without special LIBS experience. For example, a portable LIBS instrument may be used to inspect baggage at airports for materials, e.g. Contraband, dangerous chemicals or explosive materials.

Um die hierin beschriebenen Ausführungsformen besser zu verstehen, wird auf das folgende Beispiel Bezug genommen, das eine Ausführungsform der vorliegenden Offenbarung veranschaulicht, aber den Umfang in der Offenbarung nicht beschränkt.In order to better understand the embodiments described herein, reference is made to the following example, which illustrates one embodiment of the present disclosure, but does not limit the scope of the disclosure.

Beispielexample

Spektraldaten wurden von einem LIBS-Instrument von dreizehn verschiedenen pathogenen Proben und Stammkulturen erhalten. Um bakterielle pathogene Abstriche auf der Oberfläche einer Agarplatte zu trennen, wurde ein Erkennungsalgorithmus basierend auf einem chemometrischen Modell, wie es gemäß der oben ausgeführten Ausführungsformen entwickelt wurde, und von einem LIBS-Instrumentensteuersystem durchgeführt wurde, genutzt. Der Erkennungsalgorithmus identifizierte fünf bekannte bakterielle Pathogene (Acinetobacter baumanniii, Escherichia coli, Klebsiella pneumoniae, Pseudomonas aeruginosa und Staphylococcus aureus) und den Modell-Gram-Positivorganismus Bazillus Subtilis. Außerdem konnten acht weitere gut charakterisierte klinische und Labor-S.Aureus-Stammkulturen identifiziert werden.Spectral data were obtained from a LIBS instrument of thirteen different pathogenic and stock cultures. In order to separate bacterial pathogenic swabs on the surface of an agar plate, a recognition algorithm based on a chemometric model as developed according to the above-described embodiments and performed by a LIBS instrument control system was used. The recognition algorithm identified five known bacterial pathogens (Acinetobacter baumanniii, Escherichia coli, Klebsiella pneumoniae, Pseudomonas aeruginosa and Staphylococcus aureus) and the model gram-positive organism Bacillus subtilis. In addition, eight other well-characterized clinical and laboratory S.Aureus strains were identified.

Zur Vorbereitung in der LIBS-Analyse wurden die bakteriellen Proben oder Stammkulturen auf eine frische Luria-Brühen-Agarplatte (LBA) gestrichen, welche dann über Nacht (37°C, 18 Stunden) wachsen konnte. Einzelne Kolonien auf der LBA-Platte wurden auf eine 5% (Vol/Vol) Rinderblut-Agarplatte (BA) gestrichen und dann über Nacht ausgebrütet. Am nächsten Morgen wurden die Kolonien auf den BA-Platten über die gesamte Oberfläche der Blut-Agarplatten mittels einem ethanol-ausgeglühten Glashockeystab ausgebreitet, um eine größere Oberfläche des bakteriellen Materials für die LIBS-Datenerfassung zu erzeugen.In preparation for the LIBS analysis, the bacterial or stock cultures were streaked onto a fresh Luria Broth Agar Plate (LBA), which was then allowed to grow overnight (37 ° C, 18 hours). Single colonies on the LBA plate were streaked onto a 5% (vol / vol) bovine blood agar plate (BA) and then incubated overnight. The next morning, the colonies on the BA plates were spread over the entire surface of the blood agar plates using an ethanol-annealed glass flash tube to create a larger surface of the bacterial material for LIBS data acquisition.

Danach wurden LIBS-Spektren von den Blut-Agarplatten mit einem LIBS-Instrument (z. B. das in 2 gezeigte) aufgenommen. Insbesondere wurde das Plasmalicht mittels einem Off-Axis-Parabolspiegel in einer Faseroptik aufgenommen und dann in ein Zweikanalspektrometer (Avantes AvaSpec-ULS204S-2-USB2) weitergeleitet. Es sei angemerkt, dass der Linsen-Probenabstand sich während der Aufnahme änderte, da die Proben vor dem Laserstrahl per Hand bewegt wurden, um das Pathogen auf der Oberfläche der Blut-Agarplatte auszurichten. Ein Loch in dem Parabolspiegel ermöglichte einen optischen Pfad für die Laserpulse und ein colineares Auffangen von Licht zum Eliminieren von Parallaxen. Jedes aufgenommene Spektrum entsprach der Summe von 10 Spektren. Insgesamt wurden 1300 einzelne Spektren aufgenommen (100 Spektren für jede Probe).Thereafter, LIBS spectra from the blood agar plates were read with a LIBS instrument (e.g. 2 shown). In particular, the plasma light was recorded using an off-axis parabolic mirror in a fiber optic and then forwarded to a dual-channel spectrometer (Avante's AvaSpec-ULS204S-2-USB2). It should be noted that the lens sample spacing changed during recording because the samples were manually moved in front of the laser beam to align the pathogen on the surface of the blood agar plate. A hole in the parabolic mirror provided an optical path for the laser pulses and a colinear capture of light to eliminate parallax. Each recorded spectrum corresponded to the sum of 10 spectra. A total of 1300 individual spectra were recorded (100 spectra for each sample).

Der Erkennungsalgorithmus basierend auf einem chemometrischen Modell der LIBS-Spektraldaten wurde genutzt, um erfolgreich die Proben und Stammkulturen zu unterscheiden. Die Aufnahmen mit einem LIBS-Analysesteuersystem, auf dem der Algorithmus eingesetzt wurde, zeigte, dass zwei Minuten Aufnahme und Analysezeit ausreichend waren, um festzustellen, ob eine neue Probe eine der dreizehn verschiedenen studierten Arten und Stammkulturen entsprach.The recognition algorithm based on a chemometric model of the LIBS spectral data was used to successfully distinguish the samples and stock cultures. The images with a LIBS analysis control system using the algorithm showed that two minutes of uptake and analysis time were sufficient to determine if a new sample matched any of the thirteen different species and stock cultures studied.

Es wird klargestellt, dass die Ausdrücke ”im Wesentlichen” und ”etwa” genutzt werden, um die anlagenbedingte Ungenauigkeit, die mit jedem quantitativen Vergleich, Wert, Messung oder Darstellung einhergeht, auszudrücken. Die Ausdrücke werden außerdem genutzt, um den Grad an Ungenauigkeit darzustellen, bei dem eine quantitative Darstellung von einer Referenz abweicht, ohne dass sich eine Grundfunktion des Gegenstandes ändert.It will be understood that the terms "substantially" and "approximately" are used to express the plant-related inaccuracy associated with any quantitative comparison, value, measurement or presentation. The terms are also used to represent the degree of inaccuracy in which a quantitative representation deviates from a reference without a fundamental function of the object changing.

Obwohl spezielle Ausführungsformen hier dargestellt und beschrieben wurden, soll klargestellt werden, dass auch eine Vielzahl weiterer Änderungen und Modifikationen möglich sind, ohne von dem Sinn oder Umfang des beanspruchten Gegenstands abzuweichen. Obwohl verschiedene Aspekte des beanspruchten Gegenstands hier beschrieben wurden, müssen solche Aspekte nicht in Kombination durchgeführt werden. Die folgenden Patentansprüche sollen daher alle solche Änderungen und Modifikationen, die in dem Umfang des beanspruchten Gegenstands liegen, umfassen.While particular embodiments have been illustrated and described herein, it is to be understood that numerous other changes and modifications are possible without departing from the spirit or scope of the claimed subject matter. Although various aspects of the claimed subject matter have been described herein, such aspects need not be performed in combination. It is therefore intended that the following claims be for all such changes and modifications as would come within the scope of the claimed subject matter.

Claims (20)

Verfahren zum Ausbilden eines Erkennungsalgorithmus für laserinduzierte Plasma Emissionsspektroskopie umfassend: Bestimmen eines mathematisch meist unterschiedlichen Datensatzes aus einer Vielzahl spektraler Datensätze entsprechend eines Materials, wobei der mathematisch meist unterschiedliche Datensatz erste Spektren eines von einem ersten verdampften Material abgegebenen Lichtes umfasst; Aufteilen der spektralen Datensätze in Modellentwicklungsdatensätze und Ergebnisbeurteilungsdatensätze, wobei die Modellentwicklungsdatensätze und die Ergebnisbeurteilungsdatensätze die ersten Spektren enthalten; automatisches Umwandeln eines der Modellentwicklungsdatensätze mit einem Prozessor in ein erstes Abgrenzungsmodell, das die ersten Spektren abgrenzt; Entfernen der ersten Spektren von dem Modellentwicklungsdatensätzen um einen Teilsatz der Entwicklungsdatensätze zu enthalten; Bestimmen des mathematisch nächst unterschiedlichen Spektraldatensatzes der Spektraldatensätze, wobei der mathematisch nächst-unterschiedliche Spektraldatensatz die Spektren des Lichtes enthält, das von einem zweiten verdampften Material abgegeben wurde; Umwandeln des Teilsatzes der Entwicklungsdatensätze in ein zweites Abgrenzungsmodell, das die zweiten Spektren abgrenzt; und Kombinieren des ersten Abgrenzungsmodells und des zweiten Abgrenzungsmodells um den Erkennungsalgorithmus für die Laserinduzierte Plasma Emissionsspektroskopie zu bilden.A method of forming a detection algorithm for laser-induced plasma emission spectroscopy comprising: Determining a mathematically most different data set from a plurality of spectral data sets corresponding to a material, wherein the mathematically mostly different data set comprises first spectra of a light emitted by a first evaporated material light; Splitting the spectral datasets into model development datasets and result assessment datasets, the model development datasets and the result evaluation datasets containing the first spectra; automatically transforming one of the model development records with a processor into a first demarcation model that demarcates the first spectra; Removing the first spectra from the model development records to include a subset of the development records; Determining the mathematically next distinct spectral data set of the spectral data sets, wherein the next mathematically-different spectral data set contains the spectra of the light emitted by a second evaporated material; Converting the subset of the development records into a second demarcation model that demarcates the second spectra; and Combining the first demarcation model and the second demarcation model to form the detection algorithm for the laser-induced plasma emission spectroscopy. Verfahren nach Anspruch 1, weiter umfassend Aufnehmen der Spektraldatensätze mit einem Laserinduzierten Plasma Emissionsspektroskopiegerät.The method of claim 1, further comprising recording the spectral data sets with a laser-induced plasma emission spectroscopy apparatus. Verfahren nach Anspruch 1 weiterhin umfassend Entfernen abnormaler Daten von den spektralen Datensätzen.The method of claim 1, further comprising removing abnormal data from the spectral data sets. Verfahren nach Anspruch 1 außerdem umfassend Normalisieren jedes der Modellentwicklungsdatensätze.The method of claim 1, further comprising normalizing each of the model development records. Verfahren nach Anspruch 1 weiterhin umfassend Ausbilden eines Gesamtabgrenzungsmodells, wobei der mathematisch meist unterschiedliche Datensatz mit dem Gesamtabgrenzungsmodell ermittelt wird.The method of claim 1 further comprising forming an overall demarcation model, wherein the mathematically mostly different data set is determined with the total demarcation model. Verfahren nach Anspruch 1, außerdem umfassend Ordnen des ersten und zweiten Abgrenzungsmodells gemäß der Abgrenzungseigenschaft, wobei das erste Abgrenzungsmodell und das zweite Abgrenzungsmodell von der höchsten Abgrenzungseignung zur niedrigsten Abgrenzungseignung geordnet sind und der Erkennungsalgorithmus das erste Abgrenzungsmodell und das zweite Abgrenzungsmodell der Reihe nach abruft.The method of claim 1, further comprising ordering the first and second demarcation models according to the demarcation property, wherein the first demarcation model and the second delineation model are ordered from the highest demarcation capability to the lowest demarcation capability and the detection algorithm sequentially retrieves the first delineation model and the second delineation model. Verfahren nach Anspruch 1, wobei die Modellentwicklungsdatensätze und die Ergebnisbeurteilungsdatensätze jeweils im Wesentlichen ausgeglichene Intensitätsmessungen enthalten.The method of claim 1, wherein the model development records and the result assessment records each contain substantially balanced intensity measurements. Verfahren nach Anspruch 1, wobei die Modellentwicklungsdatensätze und die Ergebnisbeurteilungsdatensätze jeweils gleiche Maximumintensitätsmesswerte enthalten.The method of claim 1, wherein the model development records and the result assessment records each contain equal maximum intensity measurements. Verfahren nach Anspruch 1, wobei die Modellentwicklungsdatensätze die höchsten Intentsitätsmesswerte der spektralen Datensätze enthalten und die Ergebnisbeurteilungsdatensätze die niedrigsten Intensitätswerte der spektralen Datensätze enthalten.The method of claim 1, wherein the model development records contain the highest intensity measurements of the spectral records and the score records contain the lowest intensity values of the spectral records. Verfahren nach Anspruch 1, weiterhin umfassend die Schritte: Umwandeln der Ergebnisbeurteilungsdatensätze in Überwachungsparameter für den Erkennungsalgorithmus, wobei die Überwachungsparameter Statistiken sind; und Modifizieren des Erkennungsalgorithmus gemäß der Überwachungsparameter.The method of claim 1, further comprising the steps of: Converting the result-evaluation records to monitoring parameters for the detection algorithm, wherein the monitoring parameters are statistics; and Modify the detection algorithm according to the monitoring parameters. Verfahren nach Anspruch 10, wobei das erste Abgrenzungsmodell eine Hauptkomponentenanalyse, unvollständige kleinste Quadratanalyse, Vielfach-Regressionsanalyse oder neuronale Netzwerkanalyse durchführt.The method of claim 10, wherein the first delineation model performs a principal component analysis, incomplete least square analysis, multiple regression analysis, or neural network analysis. Verfahren zum Ausbilden eines Erkennungsalgorithmus für laserinduzierte Plasma Emissionsspektroskopie umfassend; Sammeln spektraler Datensätze entsprechender Materialien mit einem laserinduzierten Plasma Emissionsspektroskopiegerät, wobei jeder der spektralen Datensätze Spektren eines Lichts umfasst, das von einem der Materialien ausgegeben wurde; Aufteilen der spektralen Datensätze in Modellentwicklungsdatensätze und Ergebnisbeurteilungsdatensätze; automatisches Umwandeln der Modellentwicklungsdatensätze mit einem Prozessor in ein Gesamtabgrenzungsmodell, wobei das Gesamtabgrenzungsmodell jedes der Materialien identifiziert; Ordnen der spektralen Datensätze von mathematisch meist unterschiedlich zu mathematisch am wenigsten unterschiedlich gemäß des Gesamtabgrenzungsmodells; Erzeugen eines individuellen Abgrenzungsmodells um einen mathematisch meist verschiedenen Spektraldatensatz abzugrenzen; und Bilden des Erkennungsalgorithmus für laserinduzierte Plasma Emissionsspektroskopie, wobei der Erkennungsalgorithmus das individuelle Abgrenzungsmodell umfasst.A method of forming a detection algorithm for laser-induced plasma emission spectroscopy; Collecting spectral data sets of corresponding materials with a laser-induced plasma emission spectroscopy apparatus, each of the spectral data sets comprising spectra of a light output from one of the materials; Splitting the spectral datasets into model development records and result assessment records; automatically transforming the model development records with a processor into an aggregate demarcation model, the aggregate demarcation model identifying each of the materials; Ordering the spectral datasets from mathematically mostly different to mathematically least different according to the overall demarcation model; Generating an individual demarcation model to demarcate a mathematically most different spectral data set; and forming the laser-induced plasma emission spectroscopic detection algorithm, wherein the detection algorithm comprises the individual demarcation model. Verfahren nach Anspruch 12 außerdem umfassend Entfernen der mathematisch meist verschiedenen Spektraldatensätze von den Modellentwicklungsdatensätzen, um einen Teilsatz der Entwicklungsdatensätze zu erhalten.The method of claim 12, further comprising removing the mathematically most different spectral data sets from the model development data sets to obtain a subset of the development data sets. Verfahren nach Anspruch 13 außerdem umfassend: (a) Umwandeln eines nächsten Spektraldatensatzes in ein nächstes Modell, das den nächsten Spektraldatensatz abgrenzt; (b) Entfernen des nächsten Spektraldatensatzes von dem Teilsatz der Entwicklungsdatensätze; und (c) Wiederholen der Schritte (a) und (b), falls der Teildatensatz der Entwicklungsdatensätze mehr als einen spektralen Datensatz enthält.The method of claim 13 further comprising: (a) converting a next spectral data set into a next model that demarcates the next spectral data set; (b) removing the next spectral data set from the subset of development data sets; and (c) repeating steps (a) and (b) if the subset of development data sets contains more than one spectral data set. Verfahren nach Anspruch 14 außerdem umfassend Hinzufügen des nächsten Modells zu dem Erkennungsalgorithmus, wobei die Modelle des Erkennungsalgorithmus entsprechend der Spektraldatensätze, welche den Modellen entsprechen vom mathematisch meist unterschiedlichen zum mathematisch am wenigsten unterschiedlichen geordnet sind und wobei der Erkennungsalgorithmus die Modelle der Reihe nach abruft.The method of claim 14, further comprising adding the next model to the recognition algorithm, wherein the models of the recognition algorithm are arranged according to the spectral data sets corresponding to the models from the mathematically most different to the mathematically least different and wherein the recognition algorithm retrieves the models in turn. Verfahren nach Anspruch 14, wobei die spektralen Datensätze der Teilsätze der Entwicklungsdatensätze in der Reihenfolge der höchsten Abgrenzungseignung zur niedrigsten Abgrenzungseignung in das nächste Modell umgewandelt werden.The method of claim 14, wherein the spectral datasets of the subsets of the development records are converted in the order of the highest demarcation suitability to the lowest demarcation suitability in the next model. Verfahren nach Anspruch 12 außerdem umfassend Umwandeln der Ergebnisbeurteilungsdatensätze mit dem Erkennungsalgorithmus in Überwachungsparameter.The method of claim 12, further comprising converting the result-evaluation records with the recognition algorithm into monitoring parameters. Verfahren nach Anspruch 17 außerdem umfassend Modifizieren des Erkennungsalgorithmus gemäß der Überwachungsparameter.The method of claim 17, further comprising modifying the detection algorithm according to the monitoring parameters. Verfahren nach Anspruch 12 außerdem umfassend Einbetten des Erkennungsalgorithmus in ein laserinduziertes Plasma Emissionsspektroskopiegerät.The method of claim 12, further comprising embedding the detection algorithm in a laser-induced plasma emission spectroscopy apparatus. Verfahren zum Ausbilden eines Erkennungsalgorithmus für laserinduzierte Plasmainduktionsspektroskopie, umfassend: Aufnehmen spektraler Datensätze entsprechend von Materialien mit einem laserinduzierten Plasma Emissionsspektroskopiegerät, wobei jeder der spektralen Datensätze Spektren von Licht umfasst, das von einem der Materialien abgegeben wurde; automatisches Umwandeln der spektralen Datensätze mit einem Prozessor in individuelle Abgrenzungsmodelle, wobei jedes der individuellen Abgrenzungsmodelle einen der spektralen Datensätze abgrenzt; und Ausbilden eines Erkennungsalgorithmus für laserinduzierte Plasma Emissionsspektroskopie, wobei der Erkennungsalgorithmus die individuellen Abgrenzungsmodelle in der Reihenfolge der höchsten Abgrenzungseignung zur niedrigsten Abgrenzungseignung umfasst und der Erkennungsalgorithmus die individuellen Abgrenzungsmodelle der Reihe nach abruft.A method of forming a detection algorithm for laser-induced plasma induction spectroscopy, comprising: Capturing spectral datasets corresponding to materials with a laser-induced plasma emission spectroscopy apparatus, each of the spectral datasets comprising spectra of light emitted from one of the materials; automatically transforming the spectral datasets with a processor into individual demarcation models, wherein each of the individual demarcation models demarcates one of the spectral datasets; and Forming a detection algorithm for laser-induced plasma emission spectroscopy, wherein the detection algorithm comprises the individual boundary models in the order of highest demarcation suitability to the lowest demarcation aptitude and the detection algorithm retrieves the individual boundary models in turn.
DE112011100038T 2010-04-05 2011-03-15 Method for developing recognition algorithms for laser-induced plasma emission spectroscopy Expired - Fee Related DE112011100038T8 (en)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US32099210P 2010-04-05 2010-04-05
US61/320,992 2010-04-05
US12/981,626 US8655807B2 (en) 2010-04-05 2010-12-30 Methods for forming recognition algorithms for laser-induced breakdown spectroscopy
US12/981,626 2010-12-30
PCT/US2011/028453 WO2011126681A2 (en) 2010-04-05 2011-03-15 Methods for forming recognition algorithms for laser-induced breakdown spectroscopy

Publications (2)

Publication Number Publication Date
DE112011100038T5 true DE112011100038T5 (en) 2012-06-14
DE112011100038T8 DE112011100038T8 (en) 2013-03-21

Family

ID=44710658

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112011100038T Expired - Fee Related DE112011100038T8 (en) 2010-04-05 2011-03-15 Method for developing recognition algorithms for laser-induced plasma emission spectroscopy

Country Status (5)

Country Link
US (1) US8655807B2 (en)
JP (1) JP5852097B2 (en)
DE (1) DE112011100038T8 (en)
GB (1) GB2491761A (en)
WO (1) WO2011126681A2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012217676A1 (en) * 2012-09-27 2014-03-27 Secopta Gmbh Method for identification of composition of heterogeneous fire-resistant material used for covering interior of high temperature oven, involves quantitatively determining part of sample by calibration model, which is adapted to classes

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353658B (en) * 2011-07-06 2013-03-06 中国科学院上海技术物理研究所 Miniature IOT laser-induced breakdown spectroscopy medical sensing system and method
EP2812676B1 (en) * 2012-02-07 2019-11-20 Materialytics LLC Methods and systems for analyzing samples
US9110001B2 (en) * 2012-07-02 2015-08-18 Thermo Scientific Portable Analytical Instruments Inc. Method for tagging reference materials of interest in spectroscopic searching applications
US20150284763A1 (en) * 2012-09-14 2015-10-08 University Of Windsor Method of Using Laser-Induced Breakdown Spectroscopy for the Identification and Classification of Bacteria
US9952100B2 (en) 2013-01-21 2018-04-24 Sciaps, Inc. Handheld LIBS spectrometer
WO2014113824A2 (en) 2013-01-21 2014-07-24 Sciaps, Inc. Handheld libs spectrometer
US9546904B2 (en) 2013-03-15 2017-01-17 P & P Optica Inc. Apparatus and method for optimizing data capture and data correction for spectroscopic analysis
US20140368819A1 (en) * 2013-06-12 2014-12-18 Applied Research Associates, Inc. Methods for Detecting Parasites, Viruses, Bacteria and Drugs in Human and Animal Blood and Cerebral Spinal Fluid, Using Laser-Induced Breakdown Spectroscopy
CN103712962B (en) * 2013-12-31 2015-12-09 武汉新瑞达激光工程有限责任公司 A kind of laser microprobe analysis instrument based on aerosolization and resonance excitation
US9651424B2 (en) 2015-02-26 2017-05-16 Sciaps, Inc. LIBS analyzer sample presence detection system and method
WO2016154509A1 (en) * 2015-03-26 2016-09-29 Dover Photonics Llc Preparation of fluid samples for laser induced breakdown spectroscopy and/or imaging analysis
US10060777B2 (en) * 2015-05-05 2018-08-28 Alan B Cain Apparatus and method for non-intrusive off-body measurements in hypersonic flight experiments
US11953427B2 (en) * 2015-08-03 2024-04-09 Endress+Hauser Optical Analysis, Inc. Reconstruction of frequency registration for quantitative spectroscopy
US10209196B2 (en) 2015-10-05 2019-02-19 Sciaps, Inc. LIBS analysis system and method for liquids
US9939383B2 (en) 2016-02-05 2018-04-10 Sciaps, Inc. Analyzer alignment, sample detection, localization, and focusing method and system
US11156556B1 (en) 2019-02-13 2021-10-26 Creative LIBS Solutions LLC Method and apparatus for detecting pathogens and chemicals in complex matrices using light emissions from a laser spark
CN109900662A (en) * 2019-03-07 2019-06-18 电子科技大学 A kind of highly sensitive smooth miniflow explosive detector
US11719727B1 (en) 2020-02-10 2023-08-08 National Technology & Engineering Solutions Of Sandia, Llc Systems and methods for screening particle source manufacturing and development test data
CN114252430B (en) * 2020-09-21 2024-02-02 中国科学院沈阳自动化研究所 Online pulp grade detection method based on laser-induced breakdown spectroscopy technology
CN113092450A (en) * 2021-04-13 2021-07-09 南京信息工程大学 Atmospheric aerosol rapid detection traceability device and method
JP7464284B2 (en) 2021-06-01 2024-04-09 国立研究開発法人国際農林水産業研究センター Soil diagnostic method using plasma emission spectrometry
CN114850658A (en) * 2022-05-17 2022-08-05 北京工业大学 Automatic laser parameter regulation and control method based on reflection spectrum

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6124597A (en) 1997-07-07 2000-09-26 Cedars-Sinai Medical Center Method and devices for laser induced fluorescence attenuation spectroscopy
DE19923811C1 (en) 1999-05-20 2000-12-07 Robert Koch Inst Procedure for the diagnosis of TSE-induced changes in tissues using infrared spectroscopy
US6639665B2 (en) 2001-02-09 2003-10-28 Institute For Technology Development Multispectral imaging system for contaminant detection
US7945393B2 (en) 2002-01-10 2011-05-17 Chemimage Corporation Detection of pathogenic microorganisms using fused sensor data
US6985818B1 (en) 2003-02-06 2006-01-10 The United States Of America As Represented By The Secretary Of The Army Air sampling method and sensor system for spectroscopic detection and identification of chemical and biological contaminants
EP1601954A2 (en) * 2003-02-25 2005-12-07 Ceyx Technologies, Inc. Apparatus and method for chemical and biological agent sensing
US20070279629A1 (en) 2004-01-07 2007-12-06 Jacob Grun Method and apparatus for identifying a substance using a spectral library database
WO2005081981A2 (en) 2004-02-20 2005-09-09 Systems Planning And Analysis, Inc. Libs system and method for engine exhaust monitoring
JP2005249624A (en) * 2004-03-05 2005-09-15 Japan Science & Technology Agency Polymer group discriminating method by optical spectrum
WO2005115737A2 (en) 2004-03-22 2005-12-08 Quantaspec Inc. System and method for detecting and identifying an analyte
US7760354B2 (en) 2005-01-07 2010-07-20 The United States Of America As Represented By The Secretary Of The Navy Spectroscopic method and apparatus for identification of a substance using a tunable light source
US20090012723A1 (en) 2005-06-09 2009-01-08 Chemlmage Corporation Adaptive Method for Outlier Detection and Spectral Library Augmentation
US7692775B2 (en) 2005-07-14 2010-04-06 Chemimage Corporation Time and space resolved standoff hyperspectral IED explosives LIDAR detection
FR2892194B1 (en) 2005-10-17 2008-04-11 Commissariat Energie Atomique METHOD OF QUALITATIVE AND QUANTITATIVE ANALYSIS BY OPTICAL TRANSMISSION SPECTROSCOPY
US20110237446A1 (en) 2006-06-09 2011-09-29 Chemlmage Corporation Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data
US7394537B1 (en) * 2006-12-22 2008-07-01 Oxford Instruments Analytical Oy Practical laser induced breakdown spectroscopy unit
CA2715803A1 (en) * 2008-02-22 2009-08-27 Photon Etc. Inc. Apparatus and method for laser induced breakdown spectroscopy using a multiband sensor
US8687189B2 (en) * 2008-03-03 2014-04-01 Ajjer, Llc Analysis of arrays by laser induced breakdown spectroscopy
AU2009285766A1 (en) * 2008-08-27 2010-03-04 H. Lundbeck A/S System and methods for measuring biomarker profiles

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012217676A1 (en) * 2012-09-27 2014-03-27 Secopta Gmbh Method for identification of composition of heterogeneous fire-resistant material used for covering interior of high temperature oven, involves quantitatively determining part of sample by calibration model, which is adapted to classes
DE102012217676B4 (en) * 2012-09-27 2016-05-04 Secopta Gmbh Method for identifying the composition of a sample

Also Published As

Publication number Publication date
WO2011126681A2 (en) 2011-10-13
JP5852097B2 (en) 2016-02-03
DE112011100038T8 (en) 2013-03-21
GB2491761A (en) 2012-12-12
WO2011126681A3 (en) 2012-01-26
US8655807B2 (en) 2014-02-18
GB201217022D0 (en) 2012-11-07
US20110246145A1 (en) 2011-10-06
JP2013524237A (en) 2013-06-17

Similar Documents

Publication Publication Date Title
DE112011100038T5 (en) Method for developing recognition algorithms for laser-induced plasma emission spectroscopy
DE69835663T2 (en) Method for on-line analysis of polycyclic aromatic hydrocarbons in aerosols
DE69637163T2 (en) DIAGNOSIS OF ZERVIX PRAEKAN CEROSES USING RAMAN AND FLUORESCENCE SPECTROSCOPY
EP3164696B1 (en) Method and device for raman spectroscopic in-ovo sex determination of fertilized and incubated bird eggs
DE112012004324T5 (en) Multicomponent regression / multi-component analysis of time and / or space series files
US20140368819A1 (en) Methods for Detecting Parasites, Viruses, Bacteria and Drugs in Human and Animal Blood and Cerebral Spinal Fluid, Using Laser-Induced Breakdown Spectroscopy
EP3290908B1 (en) Unknown sample determining method
Pagnin et al. Multivariate analysis and laser-induced breakdown spectroscopy (LIBS): a new approach for the spatially resolved classification of modern art materials
DE10222359B4 (en) Method for the spectrally differentiating, imaging measurement of fluorescent light
WO2003056309A1 (en) Method and/or system for identifying fluorescent, luminescent and/or absorbing substances on and/or in sample carriers
DE102017221187B4 (en) Method for determining the concentration of different fluorescence emitters and microscopy systems contained in an object
AT7250U1 (en) METHOD FOR IDENTIFYING, CLASSIFYING AND SORTING ITEMS, OBJECTS AND MATERIALS, AND A DETECTION SYSTEM PROVIDED FOR THEM
González et al. Fingermark analysis by fourier transform infrared microscopy using chemometric tools
EP1144986A2 (en) Energy dispersion x-ray fluorescence analysis of chemical substances
DE19729352A1 (en) Centrifugation process for sample characterization
DE102013217157A1 (en) Analysis method for the determination of types and concentrations of biological particles
EP4058783A1 (en) Open-loop/closed-loop process control on the basis of a spectroscopic determination of undetermined substance concentrations
WO2019145439A1 (en) Method and test apparatus for checking the authenticity of objects
DE102018129807A1 (en) Method and system for classifying chemical and biological substances
DE102013108576A1 (en) Double spectroscopy detection apparatus and method
DE10325735B4 (en) Apparatus and method for analyzing a material library
Sevetlidis A machine learning approach to analysis and classification of measurements in cultural heritage
WO2022112125A1 (en) Method for identifying a substance on a surface
DE102021118559A1 (en) Method and system for analyzing a sample from data
DE102021122713A1 (en) Device and method for inspecting surfaces with wavelength analysis

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee